电池能量存储系统的控制方法及电子装置与流程

本申请涉及电力系统领域，尤其涉及一种电池能量存储系统的控制方法及电子装置。

背景技术

随着可再生能源比例和分布式发电的提高，能源分销公司正面临新的挑战。作为供电网络系统的所有者和运营者，能源分销公司能够从市场购买能源或者通过双边合同满足未来电力需求。配备了可再生能源设备和电池能量存储系统，分销公司有更多的选择来获取能量，通过竞价和存储系统提高对市场的反映能力。

在供电网络系统中，配置电池能量存储系统的主要目的在于调频调峰。一方面，存储释放能量能够降低可再生能源的不稳定性对系统的影响；另一方面，通过参与电力市场，电池能量存储系统能够进一步降低供电网络的运行成本。目前，关于通过电力市场降低运行成本还没有相关的解决方案。

技术实现要素：

本申请实施例提供一种电池能量存储系统的控制方法电子装置，用于通过确定的分布式电池控制方法以减少能源分销公司的能源成本和交易风险。

本申请实施例第一方面提供一种电池能量存储系统的控制方法，包括：

构建供电网络中各个网络节点的能源采集模型以及电池能量存储系统的控制参考因素的不确定模型；所述网络节点包括：负荷节点和发电节点；所述控制参考因素包括负荷、风能、太阳能和电价；

建立日前最优报价模型，所述日前最优报价模型用于表示在交易日前一天，在满足网络需求下最小化电池能量存储系统的总运行成本；

根据所述能源采集模型，所述控制参考因素的不确定模型以及所述日前最优报价模型建立实时电池能量存储系统控制模型，所述实时电池能量存储系统控制模型用于表示最小化实时能量差和电池操作成本；

根据所述实时电池能量存储系统控制模型得到所述电池能量存储系统的最优控制策略。

本申请实施例第二方面提供一种电子装置，包括：

存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述本申请实施例第一方面提供的电池能量存储系统的控制方法。

由上可见，本申请方案通过能源采集模型，控制参考因素的不确定模型以及日前最优报价模型建立实时电池能量存储系统控制模型，再根据所述实时电池能量存储系统控制模型得到所述电池能量存储系统的最优控制策略，减少了供电网络中预计能量需求和实际能量需求的网络需求差，有效的减少能源分销公司的能源成本和交易风险。

附图说明

图1-a为本申请实施例提供的电池能量存储系统的控制方法的一个流程示意图；

图1-b为本申请实施例提供的电池能量存储系统的控制方法的流程框架示意图；

图1-c为本申请实施例提供的电池能量存储系统的控制方法的应用示例的网络结构图；

图2为本申请实施例提供的电池能量存储系统的控制方法的应用示例的算法图；

图3为本申请一实施例提供的电子装置硬件结构示意图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例一

本申请实施例提供一种电池能量存储系统的控制方法，请参阅图1-a(方法流程图)和图1-b(方法架构图)，该电池能量存储系统的控制方法主要包括以下步骤：

101、构建供电网络中各个网络节点的能源采集模型以及电池能量存储系统的控制参考因素的不确定模型；

构建供电网络中各个网络节点的能源采集模型以及电池能量存储系统的控制参考因素的不确定模型；所述网络节点包括：负荷节点和发电节点；所述控制参考因素包括负荷、风能、太阳能和电价。

示例性的，所述能源采集模型包括以下表达式一和表达式二；

其中，式中t表示时间，i表示节点i，表示在时间t节点i上所述供电网络的能量需求，表示在时间t节点i上的负荷，表示在时间t节点i上的太阳能输出，表示在时间t节点i上的风能输出，表示在时间t节点i上的电池能量存储系统的充放能量，表示在时间t节点i上的所述供电网络的总能量消耗。

分布式的可再生能源包括风能太阳能会导致实际中供电网络的负荷曲线与需求曲线的不一致。通过将标准的需求曲线加入风能太阳能得到网络需求，最后通过合并电池能量存储系统，得到实际网络的总消耗。

示例性的，所述控制参考因素分别对应的不确定模型，包括：

基于威布尔分布的风速和风力模型的表达式三和表达式四:

其中，fv(v)和fw(v)分别表示风速和风能的预测误差概率密度函数，w是风力，v是风速，kv,cv,aw和bw是概率函数的参数；研究表明威布尔概率分布负荷风速(表达式三)的随机特征，而风力的概率分布(表达式四)可以根据风速的概率分布经过线性转换得到。

基于贝塔分布的太阳能输出模型的表达式五：

其中，fcl(kt)是晴朗指数的概率密度函数，kt是明亮度，ak和bk是贝塔参数；太阳能主要由天气条件中的云量对太阳遮挡程度决定，因此通过晴朗指数(表达式五)表示太阳能出力的概率分布。

基于高斯分布的负荷预测误差模型的表达式六：

其中，μl和σl是负荷需求的统计均值和标准差；

基于高斯分布的电价预测误差模型的表达式七：

其中，μp和σp是电价的统计均值和标准差。表达式三至表达式七的不确定性模型中的参数都是通过电池能量存储系统中各个节点的历史数据统计得到。

102、建立日前最优报价模型；

建立日前最优报价模型，所述日前最优报价模型用于表示在交易日前一天，在满足网络需求下最小化电池能量存储系统的总运行成本。

示例性的，所述日前最优报价模型通过以下表达式八表示：

其中，表示在市场中的竞价成本，价格λ^t乘以量乘以时间间隔表示电池能量存储系统运行成本，用以下表达式九表示。为场景预测误差的补偿成本，用于约束波动和传输损失；在所述表达式八中，决策变量分别是报价量和电池能量存储系统操作计划总体的优化时间t为24小时，优化时间间隔δtd为1小时；.^s表示变量场景s，所有场景的集合为ns；h表示电池能量存储系统所在节点的集合；每个场景是通过不确定性模型和蒙特卡洛模拟方法得到的24小时的可再生能源输出、需求、电价样本。

电池能量存储系统运行成本：

在所述表达式九中，λfix表示电池运行的固定成本系数，单位为美元每小时，λcha表示电池充放电的操作成本系数，单位为美元每千瓦时，ηc表示系统的充电效率。

示例性的，所述日前最优报价模型的优化满足以下表达式十至十八所描述的约束条件，对于所有的i∈h,t∈t；

电池能量存储系统约束：

其中ηloss是漏泄损耗系数，是充入能量，是存储能量；

荷电状态表示约束：

表示电池能量存储系统的电量状态，表示系统的存储能力；

每日运行约束：

功率限制：

和分别表示充电和放电功率上限；

电量约束：

对于所有的i∈n\{1},t∈t：

功率平衡约束：

式中*表示共轭，表示母线i在时间t时的电压；

电压约束：

电流约束：

电源限制约束：

表示配电所的调度能力。

日前最优报价模型是一个非线性混合整数约束的优化问题，通过进化算法中的一种，自然聚合算法求解。

103、根据所述能源采集模型，所述控制参考因素的不确定模型以及所述日前最优报价模型建立实时电池能量存储系统控制模型；

根据所述能源采集模型，所述控制参考因素的不确定模型以及所述日前最优报价模型建立实时电池能量存储系统控制模型，所述实时电池能量存储系统控制模型用于表示最小化实时能量差和电池操作成本。

示例性的，所述实时电池能量存储系统控制模型由以下表达式十九表示：

在所述表达式十九中，总体优化时间t为1小时，优化时间间隔δtr为15分钟；所述实时电池能量存储系统控制模型的控制优化模型需要满足所述表达式十三至表达式十八所描述的约束条件。

由于表达式十五的约束,问题表达式十九为非凸问题，采用松弛方法将原问题转化为凸问题。

定义第t个时间段的矩阵w^t∈c^m×n,t∈t，其中元素值取

同时定义pi(w^t)和qi(w^t)分别为：

带有表达式十三至表达式十八的约束的表达式十九，转化为式表达式二十二，对于

去掉表达式三十一的约束后，表达式十九转化为凸优化问题。

104、根据所述实时电池能量存储系统控制模型得到所述电池能量存储系统的最优控制策略。

示例性的，述电池能量存储系统的最优控制策略由以下表达式三十二表示：

其中，pi(w^t)表示第t个时间段第i个节点的实际有功功率。

由上可见，本申请方案通过能源采集模型，控制参考因素的不确定模型以及日前最优报价模型建立实时电池能量存储系统控制模型，再根据所述实时电池能量存储系统控制模型得到所述电池能量存储系统的最优控制策略，减少了供电网络中预计能量需求和实际能量需求的网络需求差，有效的减少能源分销公司的能源成本和交易风险。

实施例二

请参阅以下表1、表2和表3，本发明实施例的电池能量存储系统的控制方法的一个应用示例：

在本发明实施例中，请参阅图1-c，供电网络共有15个网络节点，其中，网络节点9和网络节点11同时具有负荷节点和风力发电节点，网络节点6同时具有负荷节点和太阳能发电节点。

使用本发明的控制方法对供电网络中的电池能量存储控制系统进行控制。图1-c展示了11kv，15节点供电网络的网架结构，其中包括14个负荷，2个风能发电厂，1个太阳能发电厂。一个850kw风力发电厂在节点11,一个800kw风力发电厂在节点9。太阳能发电厂在节点6。风速和太阳能的历史数据是从澳大利亚的两个观察站获取。电价数据从pjm(pennsylvania-newjersey-maryland，宾夕法尼亚-新泽西-马里兰)网站获取。

假定电池能量存储系统位置与可再生能源位置一致，其参数见表1。

表1电池能量存储系统参数

根据数据构建不确定性模型，再通过蒙特卡洛方法得到多个24小时的场景。图3展示了一个预测的24小时网络需求和日前电价场景。如图所示，由于有可再生能源的输出，网络的需求高峰位于一个较低的电价时间段，能源的成本降低了。而电池能量存储系统能提供一个低位购买高位卖出能源的机会，减少了系统的风险。

通过建立日前最优报价模型得到电池能量存储系统的竞价和控制计划。图2显示了naa算法的计算过程。表2显示了本方法的日前计划的计算结果。

表2日前计划成本结果

在得到日前计划后，系统可以根据系统计划和预测负荷参与日前市场的竞价。此时系统仅仅是进行了市场报价，还没有发送控制信号给电池充放电。在实时控制时，通过建立实时电池能量存储系统控制模型，得到实际最终的控制结果。

在本方法下的运行实际总成本如表3所示

表3实际总成本

运行结果表明本方法是控制电池能量存储系统减少网络需求差，在不同位置不同时间的充放能量控制减少了电力运输过程中的消耗。证明了本方法有效的减少能源分销公司的能源成本和交易风险。

实施例三

本申请实施例提供一种电子装置，请参阅图3，该电子装置包括：

至少一个输入设备303以及至少一个输出设备304。

上述存储器301、处理器302、输入设备303以及输出设备304，通过总线305连接。

其中，输入设备303具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备304具体可为显示屏。

存储器301可以是高速随机存取记忆体(ram，randomaccessmemory)存储器，也可为非不稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器301用于存储一组可执行程序代码，处理器302与存储器301耦合。

进一步的，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子装置中，该计算机可读存储介质可以是前述图3所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图1-a所示实施例中描述的电池能量存储系统的控制方法。进一步的，该计算机可存储介质还可以是u盘、移动硬盘、只读存储器(rom，read-onlymemory)、ram、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本申请所提供的电池能量存储系统的控制方法、电子装置及计算机可读存储介质的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。